Prompts zero-shot e few-shot

Com LLMs, seu principal meio de controle são as palavras que você envia. A arte de moldar essas palavras é chamada de criação de prompts. ✍️

Na criação de prompts zero-shot, você apenas descreve a tarefa em linguagem comum, sem exemplos, e confia que o modelo descobrirá como executá-la.

Zero-shot é ótimo para tarefas comuns que o modelo encontrou muitas vezes, como resumir um parágrafo ou responder a uma pergunta simples.

Quando a tarefa é incomum, os exemplos ajudam. Fornecer entradas e saídas de exemplo ao modelo é chamado de criação de prompts few-shot.

Você lista alguns exemplos resolvidos e deixa a entrada final em branco para que o modelo continue seguindo o mesmo padrão.

Few-shot faz mais do que ensinar a tarefa: também fixa o formato da saída, para que o modelo responda exatamente com a estrutura mostrada.

Escolha exemplos corretos, variados e inequívocos. Exemplos descuidados ou tendenciosos ensinam discretamente o padrão errado ao modelo.

Cada exemplo ocupa parte da janela de contexto e aumenta o custo; portanto, use o menor número de exemplos que realize a tarefa de forma confiável.

Prompts vagos geram respostas vagas. Especifique a função, a tarefa, o formato e quaisquer restrições importantes para você.

Para raciocínios difíceis, peça ao modelo que resolva o problema passo a passo. Essa instrução de raciocínio em cadeia costuma melhorar a resposta final.

A criação de prompts é empírica. Experimente uma versão, verifique as saídas e depois refine a formulação até que os resultados sejam consistentes.

Comece com zero-shot para tarefas comuns. Adicione alguns exemplos claros quando precisar de um padrão ou formato específico e, depois, itere. ✅